Le Clienteling est une ancienne pratique née des commerces de proximité, où un calepin noirci d’informations glanées des clients permettait de faire toute la différence lors d’un achat. Aujourd’hui, le Clienteling s’impose comme la brique ultime d’une stratégie omnicanal.
Mais si le concept du « one to one » est connu, son application s’enrichit au gré des exigences clients et soulève la problématique suivante : quels leviers techniques et métiers activer pour capitaliser sur une connaissance client à 360° ?
Clienteling, penser métier avant outils
Le Clienteling vise à améliorer l’expérience client non pas en multipliant des outils gadgets à gogo en boutique, mais plutôt en proposant une relation à haute valeur ajoutée alimentée par les clients et leurs données.
La personnalisation des interactions avec le client représentant la fin ainsi que le moyen, elle doit être le fruit d’une réflexion à l’initiative du métier : quelles informations clients capter et à quel moment ? Comment les exploiter ? Comment les redescendre et embarquer vendeurs et clients ?
Ce n’est qu’après avoir identifié la vision métier cible que les outils pouvant soutenir cette vision peuvent être déterminés, car le Clienteling est avant tout une stratégie marketing aux multiples déclinaisons opérationnelles. De l’intégration de modules de prise de rendez-vous à celle de checkouts volants ou shopping personnalisé, les enseignes actionnent alors différents leviers pour mieux connaître le client et surtout, le lui montrer.
L’alignement des enjeux marketing et techniques est d’ailleurs un vrai challenge au vu de l’évolution à vitesse grand V des usages clients. Afin d’intégrer des données toujours plus qualifiées, la stratégie Clienteling doit être pensée en termes de déploiement à court, moyen et long terme, soutenu de fait par un dispositif évolutif by design.
Clienteling & Machine Learning, le couple idéal
Parce qu’il n’y a pas de limites à la connaissance client (enfin si, hello RGPD), une connaissance à l’instant T ne suffit pas.
Citons Burberry qui encourage ses clients à partager leurs données grâce à des récompenses via son loyalty program et compte désormais une base de 12 millions de clients. En incentivant les clients à fournir de la donnée via son programme fidélité, Burberry s’offre un référentiel client de qualité prêt à être exploité.
En réconciliant données online et offline, l’enseigne est capable d’être proactive et de proposer des services à haute-valeur ajoutée tout au long du parcours client.
Car au-delà des recommandations produits « simples » poussées sur les tablettes des hôtes de vente, une stratégie de Clienteling adossée à une solution de Machine Learning permet de repenser l’omnicanal entièrement. En combinant first, second et third-party data au sein d’une DMP optimisée, les marques peuvent allier moteur de recommandation ultra personnalisé, geofencing, online marketing et adapter produits et services additionnels en conséquence. Il s’agit d’un levier technique devenant de plus en plus incontournable, sous condition sine qua none d’une synergie forte avec le métier.
Monitorer sa stratégie Clienteling, ou comment réinventer les KPI Marketing classiques
Calculer le retour sur investissement métier de la stratégie Clienteling est un véritable enjeu : comment savoir si ma stratégie Clienteling fonctionne ? Comment isoler les points de contact clients dans une configuration omnicanal ?
Drivé par le métier, le Machine Learning permet de répondre à ces questions en favorisant l’émergence de KPIs représentatifs de la complémentarité online/offline pour suivre les clients sur l’ensemble de leurs parcours. L’évolution du chiffre d’affaires peut maintenant être croisée avec des metrics de conversion, de rétention client in-store, de satisfaction client historisée… et alimenter des tableaux de bords à plusieurs niveaux.
Citons toujours le cas de Burberry qui, en alliant beacon de comptage clients in-store et monitoring de campagne mobile annonce un taux de 85% de collecte de data client en PoS et une amélioration de 50% de son taux de fidélisation. Il s’agit d’une illustration forte de l’impact grandissant du Machine Learning sur les performances omnicanal des enseignes. Tendance d’ailleurs confirmée par une enquête de Statista (‘AI & Machine Learning use cases in the retail industry worldwide as of 2019’) selon laquelle près de la moitié des retailers ont prévu ou déjà mis en œuvre une stratégie omnicanal articulée autour de l’IA.
Enfin, le champ d’application de la technologie prévisionnelle va au-delà du marketing. Citons Etam, qui articule l’ensemble de sa chaîne de production autour du Machine Learning pour rationnaliser les coûts financiers et écologiques liés aux invendus. Ou comment la complémentarité IA-métiers permet de capitaliser sur la donnée produits et clients pour optimiser l’ensemble des strates opérationnelles.
https://www.e-marketing.fr/Thematique/veille-1097/Breves/Repenser-la-relation-client-grace-au-clienteling-340400.htm
https://www.forbes.com/sites/nitinmangtani/2017/02/01/clienteling-defining-the-future-in-store-experience/#70c1286c3c2d
https://lehub.laposte.fr/dossiers/omnicanal-portrait-robot-nouveaux-vendeurs
https://digital.hbs.edu/platform-rctom/submission/machine-learning-journey-of-burberry-is-there-room-for-machine-learning-in-luxury-goods-industry/
Chez Etam, l’intelligence développée à partir des données bouscule les métiers
